เป็นที่นิยมในหมู่ VC ลองดูโครงการที่ควรค่าแก่การใส่ใจในระบบนิเวศ FHE
ผู้เขียนต้นฉบับ: Poopman
เรียบเรียงต้นฉบับ: Joyce, BlockBeats
หมายเหตุบรรณาธิการ:
"FHE" เป็นหัวข้อทางเทคนิคที่กำลังร้อนแรงในชุมชนการเข้ารหัสเมื่อเร็ว ๆ นี้
สองสัปดาห์ที่ผ่านมา Fhenix ได้ประกาศการระดมทุน Series A มูลค่า 15 ล้านดอลลาร์ ซึ่งนำโดย Hack VC เมื่อต้นปีที่แล้ว Fhenix ได้รับเงินทุนเริ่มต้นจาก Multicoin Fhenix เป็น Ethereum L2 ที่ขับเคลื่อนโดย FHE Rollups และตัวประมวลผลร่วม FHE ที่สามารถเรียกใช้สัญญาอัจฉริยะบน FHE พร้อมการคำนวณที่เป็นความลับแบบออนไลน์ เมื่อวานนี้ Sam Williams ผู้ก่อตั้ง Arweave ซึ่งอยู่ระหว่างการอัปเดตครั้งใหญ่ ได้โพสต์บนโซเชียลมีเดียด้วย โดยกล่าวว่าฟังก์ชันการใช้ FHE เพื่อคำนวณความเป็นส่วนตัวภายในกระบวนการ AO จะเปิดตัวเร็วๆ นี้
มีโครงการเชิงนิเวศ FHE มากมาย บทความยาวๆ ของชุมชน KOL Poopman สรุปแนวคิดของ FHE และโครงการเชิงนิเวศน์โดยย่อ และเสนอความท้าทายทางเทคนิคและแนวทางแก้ไขที่เป็นไปได้ที่ FHE BlockBeats เผชิญ โดยรวบรวมไว้ดังนี้:
FHE เปิดความเป็นไปได้ในการคำนวณข้อมูลที่เข้ารหัสโดยไม่ต้องถอดรหัส เมื่อรวมกับบล็อคเชน, MPC, ZKP (ความสามารถในการปรับขนาด) FHE จะให้การรักษาความลับที่จำเป็นและรองรับกรณีการใช้งานออนไลน์ต่างๆ
ในบทความนี้ ฉันจะแนะนำสี่ประเด็น ได้แก่ ความเป็นมาของ FHE วิธีการดำเนินงานของ FHE ภูมิทัศน์ 5 ประการของระบบนิเวศ FHE และความท้าทายและแนวทางแก้ไขของ FHE ในปัจจุบัน
ความเป็นมาของ FHE
FHE ได้รับการเสนอครั้งแรกในปี 1978 แต่เนื่องจากความซับซ้อนในการคำนวณ จึงไม่สามารถนำไปใช้ได้จริงมาเป็นเวลานานและค่อนข้างเป็นทฤษฎี จนกระทั่งปี 2009 Craig ได้พัฒนาแบบจำลองที่เป็นไปได้สำหรับ FHE ซึ่งจุดประกายความสนใจในการวิจัยเกี่ยวกับ FHE
ในปี 2020 Zama ได้เปิดตัว TFHE และ fhEVM ซึ่งทำให้ FHE เป็นจุดสนใจของสาขาสกุลเงินดิจิทัล ตั้งแต่นั้นมา เราได้เห็นการเกิดขึ้นของ FHE L1/L2 ที่เข้ากันได้กับ EVM สากล เช่น คอมไพเลอร์ Fhenix, Inco และ FHE เช่น Sunscreen เป็นต้น
FHE ทำงานอย่างไร?
คุณคงจินตนาการว่ามีกล่องตาบอดที่มีชิ้นส่วนปริศนาอยู่ข้างใน อย่างไรก็ตาม กล่องตาบอดไม่สามารถเรียนรู้อะไรเกี่ยวกับปริศนาที่คุณมอบให้ได้ แต่ยังสามารถคำนวณผลลัพธ์ทางคณิตศาสตร์ได้
คุณสามารถเรียนรู้เพิ่มเติมจากคำอธิบาย FHE แบบง่ายของฉันได้หากเป็นนามธรรมเกินไป FHE เป็นเทคโนโลยีความเป็นส่วนตัวที่ช่วยให้สามารถคำนวณข้อมูลที่เข้ารหัสได้โดยไม่ต้องถอดรหัสก่อน กล่าวอีกนัยหนึ่ง บุคคลที่สามหรือคลาวด์สามารถจัดการข้อมูลที่ละเอียดอ่อนโดยไม่ต้องเข้าถึงข้อมูลใดๆ ภายใน
แล้ว FHE มีประโยชน์อย่างไร? เพิ่มความเป็นส่วนตัวของการเรียนรู้ของเครื่อง การประมวลผลแบบคลาวด์ และการพนันออนไลน์ผ่าน ZKP และ MPC ธุรกรรมลูกโซ่ส่วนตัว/สัญญาอัจฉริยะส่วนตัว/เครื่องเสมือนที่เน้นความเป็นส่วนตัว เช่น FHEVM เป็นต้น
กรณีการใช้งาน FHE บางกรณีได้แก่: การคำนวณออนไลน์แบบส่วนตัว, การเข้ารหัสข้อมูลแบบออนไลน์, สัญญาอัจฉริยะส่วนตัวบนเครือข่ายสาธารณะ, ERC 20 ที่เป็นความลับ, การลงคะแนนแบบส่วนตัว, การประมูลแบบไม่เปิดเผย NFT, MPC ที่ปลอดภัยยิ่งขึ้น, การป้องกันธุรกรรมแบบ front-run, สะพานที่ไม่น่าเชื่อถือ
ระบบนิเวศ FHE
โดยทั่วไป แนวโน้มของ FHE แบบออนไลน์สามารถสรุปได้เป็น 5 ด้าน ได้แก่ FHE, FHE/HE ทั่วไปสำหรับกรณีการใช้งานเฉพาะ (แอปพลิเคชัน), ฮาร์ดแวร์เร่งความเร็ว FHE, FHE Wif AI และ "โซลูชันทางเลือก"
บล็อกเชนและเครื่องมือ FHE สากล
พวกเขาเป็นกระดูกสันหลังของการรักษาความลับของบล็อคเชน ซึ่งรวมถึง SDK, โปรเซสเซอร์ร่วม, คอมไพเลอร์, สภาพแวดล้อมการดำเนินการใหม่, บล็อกเชน, โมดูล FHE... สิ่งที่ท้าทายที่สุดคือการแนะนำ FHE เข้าสู่ EVM นั่นคือ fhEVM
fhEVM:
Zama ( @zama_fhe ) ในฐานะตัวแทนของ fhEVM - ผู้ให้บริการรายแรกที่จัดเตรียมโซลูชัน TFHE (การเข้ารหัสโฮโมมอร์ฟิกเต็มรูปแบบ) + fhEVM (เครื่องเสมือนโฮโมมอร์ฟิกเต็มรูปแบบ)
Fhenix ( @FhenixIO ) ใช้ FHE L2 (เลเยอร์ที่สอง) + ตัวประมวลผลร่วม FHE บน ETH
เครือข่าย Inco ( @inconetwork ) EVM ที่เน้นการเล่นเกม/RWA (ทรัพย์สินในโลกแห่งความเป็นจริง)/DID (การระบุตัวตนแบบกระจายอำนาจ)/สังคมและสาขาอื่นๆ เข้ากันได้กับ FHE L1
FairMath ( @FairMath ) ซึ่งเป็นองค์กรวิจัยเครื่องเสมือนแบบโฮโมมอร์ฟิค (FHE-(E)VM) เต็มรูปแบบที่ทำงานร่วมกับ openFHE มุ่งมั่นที่จะส่งเสริมการใช้งานและการนำ FHE มาใช้
เครื่องมือโครงสร้างพื้นฐาน FHE:
เครือข่าย Octra ( @octra ) บล็อกเชนที่รองรับสภาพแวดล้อมการดำเนินการแบบแยก HFHE (High-Order Fully Homomorphic Encryption)
Sunscreen ( @SunscreenTech ) ซึ่งเป็นคอมไพเลอร์โฮโมมอร์ฟิกที่ใช้ Rust อาศัยไลบรารี SEAL ของ Microsoft
Fairblock ( @0x fairblock ) ผู้ให้บริการการเข้ารหัสแบบตั้งโปรแกรมได้และบริการถอดรหัสแบบมีเงื่อนไข ยังรองรับ tFHE (Threshold Fully Homomorphic Encryption)
Dero ( @DeroProject ) รองรับ L1 ของ HE (การเข้ารหัส Homomorphic) สำหรับธุรกรรมส่วนตัว (ไม่ใช่ FHE)
Arcium ( @ArciumHQ ), L1 พัฒนาโดยทีมงาน @elusivprivacy ที่รวมความเป็นส่วนตัว HE (การเข้ารหัสแบบโฮโมมอร์ฟิก) + MPC (การคำนวณแบบหลายฝ่าย) + ZK (การพิสูจน์ความรู้เป็นศูนย์)
โซ่ Shibraum FHE, FHE L1 ผลิตโดยใช้สารละลาย zama TFHE
FHE/HE สำหรับการใช้งานเฉพาะวัตถุประสงค์
Penumbrazone ( @penumbrazone ): cross-chain Cosmos dex (appchain) ที่ใช้ tFHE เป็นการแลกเปลี่ยน/พูลที่มีการป้องกัน
zkHold-em ( @zkHoldem ): เป็นเกมโป๊กเกอร์บน Manta ที่ใช้ HE และ ZKP เพื่อพิสูจน์ความยุติธรรมของเกม
ฮาร์ดแวร์เร่ง FHE
ทุกครั้งที่มีการใช้ FHE สำหรับการคำนวณที่เข้มข้น เช่น FHE-ML การบูตสแตรปเพื่อลดการเติบโตของสัญญาณรบกวนถือเป็นสิ่งสำคัญ โซลูชันต่างๆ เช่น การเร่งด้วยฮาร์ดแวร์มีบทบาทสำคัญในการอำนวยความสะดวกในการบูต โดยที่ ASIC จะทำงานได้ดีที่สุด
Optalysys ( @Optalysys ) บริษัทฮาร์ดแวร์ที่มุ่งเน้นการเร่งความเร็วซอฟต์แวร์ที่เกี่ยวข้องกับ TEE ทั้งหมด รวมถึง FHE ผ่านการประมวลผลแบบออปติก
Chain Reaction ( @chainreactioni 0 ) บริษัทฮาร์ดแวร์ที่ผลิตชิปที่ช่วยเพิ่มประสิทธิภาพการขุด พวกเขาวางแผนที่จะเปิดตัวชิป FHE ภายในสิ้นปี 2567
Ingonyama ( @Ingo_zk ) เป็นบริษัทเซมิคอนดักเตอร์ที่มุ่งเน้นการเร่งความเร็วด้วยฮาร์ดแวร์ ZKP/FHE สินค้าที่มีอยู่ ได้แก่ ZPU
Cysic ( @cysic_xyz ) คือบริษัทเร่งความเร็วด้วยฮาร์ดแวร์ ผลิตภัณฑ์ที่มีอยู่ของบริษัท ได้แก่ ฮาร์ดแวร์ FPGA ที่พัฒนาตนเอง เช่นเดียวกับชิป ZK DePiN, ZK Air และ ZK Pro ที่กำลังจะเปิดตัว
แต่ละบริษัทเชี่ยวชาญด้านฮาร์ดแวร์ เช่น ชิป ASIC และเซมิคอนดักเตอร์ที่ช่วยเร่งการบูต/ประมวลผล FHE
AI X FHE
เมื่อเร็ว ๆ นี้ มีความสนใจเพิ่มขึ้นในการบูรณาการ FHE เข้ากับ AI/ML เหนือสิ่งอื่นใด FHE ป้องกันเครื่องจักรไม่ให้เรียนรู้ข้อมูลที่ละเอียดอ่อนขณะประมวลผล และจัดเตรียมข้อมูล แบบจำลอง และเอาต์พุตที่เป็นความลับตลอดกระบวนการ
สมาชิก Ai x FHE ได้แก่:
Mind network ( @mindnetwork_xyz ) ซึ่งเป็นเลเยอร์การปักหลักใหม่ของ FHE ที่ใช้เพื่อปกป้องเครือข่าย Proof-of-stake (PoS) และเครือข่าย AI ผ่านการเข้ารหัสข้อมูลที่มีมูลค่าสูงและการลงคะแนนส่วนตัว ซึ่งช่วยลดโอกาสของการสมรู้ร่วมคิดและการยักย้ายของโหนด
SightAl ( @theSightAI ) บล็อกเชนการอนุมาน FHE AI ที่ตรวจสอบได้ พร้อมด้วย FHE-ML ที่ตรวจสอบได้ บล็อกเชนประกอบด้วยสามส่วนหลัก: ห่วงโซ่การมองเห็น เลเยอร์การรวมข้อมูล (เลเยอร์ DA) และเครือข่ายการอนุมานด้วยภาพ (เครือข่ายการอนุมานสายตา) ซึ่งทำหน้าที่ FHE-ML
Based AI ( @getbasedai ) Based AI เป็นบล็อกเชน L1 ที่รวม FHE เข้ากับโมเดลภาษาขนาดใหญ่ (LLM) โดยใช้กลไกที่เรียกว่า "Cerberus Squeezing" ซึ่งสามารถรวมเข้าด้วยกัน LLM ใด ๆ จะถูกแปลงเป็นรูปแบบภาษาขนาดใหญ่ที่มีความรู้เป็นศูนย์ในการเข้ารหัส (ZL-LLM)
Privasea Al ( @Privasea_ai ) Privasea AI เป็นเครือข่าย AI ที่ให้ผู้ใช้สามารถเข้ารหัสข้อมูลหรือโมเดลของตนโดยใช้รูปแบบ FHE ในไลบรารี HESea จากนั้นอัปโหลดไปยังเครือข่าย Privasea-AI ซึ่งบล็อกเชนจะประมวลผลข้อมูลในแบบที่เข้ารหัส สถานะ .
ไลบรารี HESea มีความครอบคลุม โดยมีไลบรารีต่างๆ สำหรับ TFHE, CKKS และ BGV/BFV และเข้ากันได้กับสถานการณ์ต่างๆ มากมาย
"โซลูชันทางเลือก" กนง./ZKFHE
บางตัวไม่ได้ใช้ FHE แต่ใช้ MPC เพื่อปกป้องข้อมูลที่มีมูลค่าสูงและดำเนินการ "การคำนวณแบบซ่อนเร้น" ในขณะที่บางตัวใช้ ZKSNARK เพื่อรับรองความถูกต้องของการคำนวณของ FHE สำหรับข้อมูลที่เข้ารหัส พวกเขาคือ:
Nillion Network ( @nillionnetwork ) เครือข่ายคอมพิวเตอร์ที่ใช้ MPC เพื่อกระจายอำนาจและจัดเก็บข้อมูลที่มีมูลค่าสูง ในขณะเดียวกันก็อนุญาตให้ผู้ใช้สามารถเขียนโปรแกรมและทำการคำนวณแบบลับๆ ได้ Nillion ประกอบด้วยสององค์ประกอบหลัก: ชั้นประสานงานและ Petnet ชั้นประสานงานทำหน้าที่เป็นช่องทางการชำระเงิน ในขณะที่ Petnet ทำการประมวลผลแบบไร้ขอบเขตและจัดเก็บข้อมูลที่มีมูลค่าสูง
Padolabs ( @padolabs ) Pado เป็นเครือข่ายคอมพิวเตอร์ที่ใช้ FHE เพื่อประมวลผลข้อมูลที่ละเอียดอ่อน ในขณะที่ใช้ MPC-TLS และ ZKP เพื่อรับรองความถูกต้องของการคำนวณ
ความท้าทายและแนวทางแก้ไขของ FHE
ต่างจาก ZK และ MPC ตรงที่ FHE ยังอยู่ในช่วงเริ่มต้น ปัญหาคอขวดของ FHE ตอนนี้เป็นอย่างไร? เพื่อเพิ่มความปลอดภัยของการประมวลผล "สัญญาณรบกวน" บางส่วนจะถูกเพิ่มลงในไซเฟอร์เท็กซ์ระหว่างการเข้ารหัส เมื่อ "สัญญาณรบกวน" สะสมมากเกินไปในไซเฟอร์เท็กซ์ ก็จะมี "สัญญาณรบกวน" มากเกินไป และส่งผลต่อความแม่นยำของเอาต์พุตในที่สุด โซลูชันต่างๆ กำลังสำรวจวิธีการกำจัดเสียงรบกวนอย่างมีประสิทธิภาพโดยไม่กำหนดข้อจำกัดในการออกแบบมากเกินไป รวมถึง TFHE, CKKS, BGV และอื่นๆ
ความท้าทายที่สำคัญสำหรับ FHE ได้แก่:
ประสิทธิภาพช้า: ปัจจุบันสัญญาอัจฉริยะส่วนตัวที่ใช้ fh-EVM มีเพียง 5 TPS เมื่อเปรียบเทียบกับข้อมูลล้วนๆ แล้ว TFHE จะทำงานช้าลงประมาณ 1,000 เท่า
ยังไม่เหมาะสำหรับนักพัฒนา: ยังขาดอัลกอริธึมที่ได้มาตรฐานและเครื่องมือ FHE ที่รองรับโดยรวม
ค่าใช้จ่ายในการคำนวณสูง (ต้นทุน): สิ่งนี้สามารถนำไปสู่การรวมศูนย์โหนดได้ เนื่องจากการจัดการเสียงรบกวนและการคำนวณที่ซับซ้อนในการบูต
ความเสี่ยงของ FHE บนเครือข่ายที่ไม่ปลอดภัย: เพื่อให้มั่นใจถึงความปลอดภัยของระบบถอดรหัสตามเกณฑ์ คีย์ถอดรหัสจะถูกกระจายระหว่างโหนด อย่างไรก็ตาม เนื่องจากค่าใช้จ่าย FHE ที่สูงขึ้น อาจส่งผลให้มีผู้ตรวจสอบความถูกต้องจำนวนน้อยลง ดังนั้นจึงมีโอกาสเกิดการสมรู้ร่วมคิดสูงขึ้น
โซลูชั่นประกอบด้วย:
Programmable Boost: ช่วยให้สามารถคำนวณระหว่างการบู๊ตได้ ซึ่งจะช่วยเพิ่มประสิทธิภาพในขณะที่เป็นการใช้งานเฉพาะแอปพลิเคชัน
การเร่งด้วยฮาร์ดแวร์: พัฒนา ASIC, GPU และ FPGA และไลบรารี OpenFHE เพื่อเร่งประสิทธิภาพ FHE
ระบบถอดรหัสเกณฑ์ที่ดีกว่า กล่าวโดยสรุป เพื่อให้ FHE บนห่วงโซ่มีความปลอดภัยมากขึ้น เราจำเป็นต้องมีระบบ (ซึ่งอาจเป็น MPC) เพื่อให้แน่ใจว่า: เวลาแฝงต่ำ ลดเกณฑ์การเข้าโหนดและบรรลุการกระจายอำนาจ
